Báo cáo toàn cảnh về Web3-AI: Phân tích sâu về logic công nghệ, ứng dụng trong thực tế và các dự án hàng đầu

Với sự gia tăng liên tục của câu chuyện AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Chúng tôi đã phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, để trình bày toàn diện về bức tranh và xu hướng phát triển của lĩnh vực này.

Một, Web3-AI: Phân tích logic công nghệ và cơ hội thị trường mới nổi

1.1 Logic hợp nhất Web3 và AI: Làm thế nào để xác định đường đua Web-AI

Trong năm qua, AI kể chuyện đã trở nên vô cùng phổ biến trong ngành Web3, các dự án AI xuất hiện như nấm sau mưa. Mặc dù có nhiều dự án liên quan đến công nghệ AI, nhưng một số dự án chỉ sử dụng AI ở một số phần của sản phẩm, nền tảng kinh tế token không có mối liên hệ thực sự với sản phẩm AI, do đó các dự án này không được đưa vào thảo luận về các dự án Web3-AI trong bài viết này.

Nội dung chính của bài viết này là sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất, trong khi AI giải quyết vấn đề sản xuất lực. Các dự án này cung cấp sản phẩm AI, đồng thời dựa trên mô hình kinh tế Web3 như một công cụ quan hệ sản xuất, hai yếu tố này bổ sung cho nhau. Chúng tôi phân loại các dự án này vào lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, chúng tôi sẽ giới thiệu quá trình phát triển và thách thức của AI, cũng như cách kết hợp Web3 và AI để hoàn hảo giải quyết vấn đề và tạo ra các tình huống ứng dụng mới.

1.2 Quy trình phát triển AI và những thách thức: từ thu thập dữ liệu đến suy diễn mô hình

Công nghệ AI là một công nghệ cho phép máy tính mô phỏng, mở rộng và tăng cường trí tuệ con người. Nó có thể giúp máy tính thực hiện nhiều nhiệm vụ phức tạp, từ dịch ngôn ngữ, phân loại hình ảnh cho đến nhận diện khuôn mặt, lái xe tự động và các tình huống ứng dụng khác, AI đang thay đổi cách chúng ta sống và làm việc.

Quá trình phát triển mô hình trí tuệ nhân tạo thường bao gồm một số bước quan trọng sau: thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và hiệu chỉnh mô hình, đào tạo và suy diễn mô hình. Lấy một ví dụ đơn giản, phát triển một mô hình để phân loại hình ảnh của mèo và chó, bạn cần:

1. Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập một tập dữ liệu hình ảnh chứa mèo và chó, có thể sử dụng tập dữ liệu công khai hoặc tự thu thập dữ liệu thực tế. Sau đó, gán nhãn cho mỗi hình ảnh (mèo hoặc chó), đảm bảo rằng các nhãn chính xác. Chuyển đổi hình ảnh sang định dạng mà mô hình có thể nhận diện, chia tập dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra.

2. Lựa chọn và tinh chỉnh mô hình: Chọn mô hình phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN), rất phù hợp cho các nhiệm vụ phân loại hình ảnh. Tinh chỉnh các tham số hoặc cấu trúc của mô hình theo nhu cầu khác nhau, thường thì, độ sâu của mạng mô hình có thể được điều chỉnh dựa trên độ phức tạp của nhiệm vụ AI. Trong ví dụ phân loại đơn giản này, một mạng nông có thể là đủ.

3. Đào tạo mô hình: Có thể sử dụng GPU, TPU hoặc cụm tính toán hiệu suất cao để đào tạo mô hình, thời gian đào tạo bị ảnh hưởng bởi độ phức tạp của mô hình và khả năng tính toán.

4. Suy diễn mô hình: Tệp đã được huấn luyện mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là việc sử dụng mô hình đã được huấn luyện để dự đoán hoặc phân loại dữ liệu mới. Trong quá trình này, có thể sử dụng tập kiểm tra hoặc dữ liệu mới để kiểm tra hiệu quả phân loại của mô hình, thường sử dụng các chỉ số như độ chính xác, độ hồi đáp, F1-score để đánh giá tính hiệu quả của mô hình.

Như hình đã chỉ, sau khi thu thập dữ liệu và xử lý dữ liệu, lựa chọn và tinh chỉnh mô hình cũng như đào tạo, việc suy luận mô hình đã được đào tạo trên tập kiểm tra sẽ đưa ra giá trị dự đoán cho mèo và chó P (xác suất), tức là xác suất mà mô hình suy luận là mèo hoặc chó.

Mô hình AI đã được huấn luyện có thể được tích hợp hơn nữa vào nhiều ứng dụng khác nhau, thực hiện các nhiệm vụ khác nhau. Trong ví dụ này, mô hình AI phân loại mèo và chó có thể được tích hợp vào một ứng dụng di động, người dùng tải lên hình ảnh của mèo hoặc chó, và sẽ nhận được kết quả phân loại.

Tuy nhiên, quá trình phát triển AI tập trung gặp phải một số vấn đề trong các tình huống sau:

Quyền riêng tư của người dùng: Trong các tình huống tập trung, quy trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không ai hay biết và được sử dụng cho việc đào tạo AI.

Nguồn dữ liệu: Các đội nhỏ hoặc cá nhân khi thu thập dữ liệu trong các lĩnh vực cụ thể (như dữ liệu y tế) có thể phải đối mặt với những hạn chế về việc dữ liệu không được mở nguồn.

Lựa chọn và tinh chỉnh mô hình: Đối với các đội nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc tiêu tốn nhiều chi phí để tinh chỉnh mô hình.

Lấy sức mạnh xử lý: Đối với các nhà phát triển cá nhân và các nhóm nhỏ, chi phí mua GPU cao và phí thuê sức mạnh xử lý trên đám mây có thể tạo thành gánh nặng kinh tế đáng kể.

Doanh thu tài sản AI: Những người làm công việc đánh dấu dữ liệu thường không thể nhận được thu nhập tương xứng với công sức họ bỏ ra, trong khi thành quả nghiên cứu của các nhà phát triển AI cũng khó khăn trong việc khớp với những người mua có nhu cầu.

Những thách thức tồn tại trong bối cảnh AI trung tâm có thể được giải quyết thông qua sự kết hợp với Web3, Web3 như một mối quan hệ sản xuất mới, tự nhiên thích ứng với AI đại diện cho lực lượng sản xuất mới, từ đó thúc đẩy sự tiến bộ đồng thời của công nghệ và năng lực sản xuất.

1.3 Sự cộng hưởng giữa Web3 và AI: Chuyển đổi vai trò và ứng dụng đổi mới

Kết hợp Web3 và AI có thể tăng cường quyền sở hữu của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, giúp người dùng chuyển từ người sử dụng AI trong thời đại Web2 thành người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự kết hợp giữa thế giới Web3 và công nghệ AI cũng có thể tạo ra nhiều ứng dụng và cách chơi sáng tạo hơn.

Dựa trên công nghệ Web3, việc phát triển và ứng dụng AI sẽ chào đón một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của mọi người có thể được bảo vệ, mô hình crowdsourcing dữ liệu thúc đẩy sự tiến bộ của các mô hình AI, nhiều nguồn tài nguyên AI mã nguồn mở có sẵn cho người dùng, và sức mạnh tính toán chia sẻ có thể được tiếp cận với chi phí thấp hơn. Nhờ vào cơ chế crowdsourcing hợp tác phi tập trung và thị trường AI mở, có thể đạt được hệ thống phân phối thu nhập công bằng, từ đó khuyến khích nhiều người hơn tham gia thúc đẩy sự tiến bộ của công nghệ AI.

Trong bối cảnh Web3, AI có thể tạo ra những tác động tích cực trên nhiều lĩnh vực. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu suất làm việc trong nhiều tình huống ứng dụng khác nhau, như phân tích thị trường, kiểm tra an ninh, phân cụm xã hội và nhiều chức năng khác. AI tạo sinh không chỉ giúp người dùng trải nghiệm vai trò "nghệ sĩ", như việc sử dụng công nghệ AI để tạo ra NFT của riêng mình, mà còn có thể tạo ra những cảnh game phong phú và đa dạng cũng như những trải nghiệm tương tác thú vị trong GameFi. Hệ thống cơ sở hạ tầng phong phú cung cấp trải nghiệm phát triển mượt mà, bất kể là chuyên gia AI hay người mới muốn bước vào lĩnh vực AI đều có thể tìm thấy lối vào phù hợp trong thế giới này.

Hai, Phân tích bản đồ và kiến trúc của dự án sinh thái Web3-AI

Chúng tôi chủ yếu nghiên cứu 41 dự án trong lĩnh vực Web3-AI và phân loại các dự án này thành các cấp độ khác nhau. Logic phân loại của mỗi cấp độ được hiển thị trong hình dưới đây, bao gồm lớp hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp lại được chia thành các phân khúc khác nhau. Ở chương tiếp theo, chúng tôi sẽ thực hiện phân tích sâu về một số dự án tiêu biểu.

Lớp hạ tầng bao gồm các tài nguyên tính toán và kiến trúc công nghệ hỗ trợ cho toàn bộ chu trình AI, lớp giữa bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ suy diễn xác thực kết nối hạ tầng với ứng dụng, lớp ứng dụng thì tập trung vào các ứng dụng và giải pháp khác nhau trực tiếp hướng tới người dùng.

Cấp độ hạ tầng:

Lớp hạ tầng là nền tảng của vòng đời AI, bài viết này phân loại sức mạnh tính toán, AI Chain và nền tảng phát triển là lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà có thể thực hiện việc đào tạo và suy luận mô hình AI, đồng thời trình bày các ứng dụng AI mạnh mẽ, hữu ích đến tay người dùng.

• Mạng lưới tính toán phi tập trung: có thể cung cấp sức mạnh tính toán phân tán cho việc đào tạo mô hình AI, đảm bảo việc sử dụng tài nguyên tính toán hiệu quả và tiết kiệm. Một số dự án đã cung cấp thị trường sức mạnh tính toán phi tập trung, người dùng có thể thuê sức mạnh tính toán với chi phí thấp hoặc chia sẻ sức mạnh tính toán để thu lợi, đại diện cho các dự án như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát triển ra các cách chơi mới, như Compute Labs, đã đề xuất giao thức token hóa, người dùng thông qua việc mua NFT đại diện cho thực thể GPU, có thể tham gia vào việc thuê sức mạnh tính toán theo nhiều cách khác nhau để thu lợi.

• AI Chain: Sử dụng blockchain như là nền tảng cho vòng đời AI, thực hiện sự tương tác liền mạch giữa tài nguyên AI trên chuỗi và ngoài chuỗi, thúc đẩy sự phát triển của hệ sinh thái ngành. Thị trường AI phân cấp trên chuỗi có thể giao dịch tài sản AI như dữ liệu, mô hình, đại lý, v.v., và cung cấp khung phát triển AI cùng với các công cụ phát triển hỗ trợ, đại diện cho các dự án như Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, chẳng hạn như Bittensor thông qua cơ chế khuyến khích subnet đổi mới để thúc đẩy sự cạnh tranh giữa các loại subnet AI khác nhau.

• Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển AI đại lý, cũng có thể thực hiện giao dịch AI đại lý, chẳng hạn như Fetch.ai và ChainML. Những công cụ một cửa giúp các nhà phát triển dễ dàng hơn trong việc tạo ra, đào tạo và triển khai các mô hình AI, đại diện cho các dự án như Nimble. Những cơ sở hạ tầng này thúc đẩy việc ứng dụng rộng rãi công nghệ AI trong hệ sinh thái Web3.

Lớp trung gian:

Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy diễn và xác thực, việc áp dụng công nghệ Web3 có thể đạt được hiệu suất làm việc cao hơn.

• Dữ liệu: Chất lượng và số lượng dữ liệu là những yếu tố quan trọng ảnh hưởng đến hiệu quả đào tạo mô hình. Trong thế giới Web3, việc tối ưu hóa việc sử dụng tài nguyên và giảm chi phí dữ liệu có thể được thực hiện thông qua dữ liệu crowdsourcing và xử lý dữ liệu hợp tác. Người dùng có quyền tự chủ về dữ liệu, có thể bán dữ liệu của mình trong điều kiện bảo vệ quyền riêng tư để tránh việc dữ liệu bị các thương gia xấu lợi dụng và thu lợi nhuận cao. Đối với bên có nhu cầu dữ liệu, những nền tảng này cung cấp nhiều lựa chọn và chi phí cực thấp. Các dự án tiêu biểu như Grass sử dụng băng thông của người dùng để thu thập dữ liệu Web, xData thu thập thông tin truyền thông thông qua các plugin thân thiện với người dùng, và hỗ trợ người dùng tải lên thông tin tweet.

Ngoài ra, một số nền tảng cho phép các chuyên gia trong lĩnh vực hoặc người dùng bình thường thực hiện các nhiệm vụ tiền xử lý dữ liệu, chẳng hạn như gán nhãn hình ảnh, phân loại dữ liệu, những nhiệm vụ này có thể yêu cầu kiến thức chuyên môn trong việc xử lý dữ liệu tài chính và pháp lý, người dùng có thể biến kỹ năng thành token, thực hiện hợp tác crowdsourcing cho việc tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, với các nhiệm vụ dữ liệu từ các lĩnh vực khác nhau, có thể bao phủ các tình huống dữ liệu đa lĩnh vực; trong khi AIT Protocolt thực hiện việc gán nhãn dữ liệu thông qua phương pháp hợp tác giữa người và máy.

• Mô hình: Trong quá trình phát triển AI đã đề cập trước đó, các loại yêu cầu khác nhau cần phải phù hợp với mô hình thích hợp. Các mô hình thường được sử dụng cho các nhiệm vụ hình ảnh như CNN, GAN; nhiệm vụ phát hiện đối tượng có thể chọn các dòng Yolo; các nhiệm vụ liên quan đến văn bản thường thấy các mô hình RNN, Transformer, và dĩ nhiên còn có một số mô hình lớn cụ thể hoặc chung. Độ sâu của mô hình cần thiết cho các nhiệm vụ có độ phức tạp khác nhau cũng khác nhau, đôi khi cần phải điều chỉnh mô hình.

Một số dự án hỗ trợ người dùng cung cấp các loại mô hình khác nhau hoặc hợp tác đào tạo mô hình thông qua hình thức crowdsourcing, chẳng hạn như Sentient với thiết kế mô-đun, cho phép người dùng đặt dữ liệu mô hình đáng tin cậy vào lớp lưu trữ và lớp phân phối để tối ưu hóa mô hình, công cụ phát triển do Sahara AI cung cấp tích hợp các thuật toán AI tiên tiến và khung tính toán, đồng thời có khả năng đào tạo hợp tác.

• Suy diễn và xác minh: Sau khi mô hình được đào tạo, nó sẽ tạo ra tệp trọng số mô hình, có thể được sử dụng để phân loại, dự đoán hoặc thực hiện các nhiệm vụ cụ thể khác, quá trình này được gọi là suy diễn. Quá trình suy diễn thường đi kèm với cơ chế xác minh, để xác minh nguồn gốc của mô hình suy diễn có chính xác hay không, có hành vi độc hại hay không, v.v. Suy diễn của Web3 thường có thể được tích hợp vào hợp đồng thông minh, thông qua việc gọi mô hình để thực hiện suy diễn, các phương pháp xác minh phổ biến bao gồm ZKML, OPML và các công nghệ TEE khác. Các dự án đại diện như AI oracle trên chuỗi ORA (OAO) đã giới thiệu OPML như một lớp có thể xác minh cho oracle AI, trên trang web chính thức của ORA cũng đề cập đến nghiên cứu của họ về ZKML và opp/ai (ZKML kết hợp với OPML).

Lớp ứng dụng:

Lớp này chủ yếu là ứng dụng trực tiếp hướng đến người dùng, kết hợp AI với Web3, tạo ra nhiều cách chơi thú vị và sáng tạo hơn. Bài viết này chủ yếu hệ thống hóa các dự án trong vài lĩnh vực như AIGC (Nội dung tạo ra bởi AI), đại lý AI và phân tích dữ liệu.

• AIGC：Thông qua AIGC có thể